Amp | 易学教程

重磅！阿里推出国产开源的 jdk ！

阅读更多关于重磅！阿里推出国产开源的 jdk ！

关注“ 逆锋起笔 ”领取视频教程 ☞ 程序员进阶必备资源免费送「各种技术！」 ☜ 简介 Alibaba Dragonwell 是一款免费的, 生产就绪型Open JDK 发行版，提供长期支持，包括性能增强和安全修复。阿里巴巴拥有最丰富的Java应用场景，覆盖电商，金融，物流等众多领域，世界上最大的Java用户之一。Alibaba Dragonwell作为Java应用的基石，支撑了阿里经济体内所有的Java业务。Alibaba Dragonwell完全兼容 Java SE 标准，您可以在任何常用操作系统（包括 Linux、Windows 和 macOS）上开发 Java 应用程序，运行时生产环境选择Alibaba Dragonwell。特性安全与稳定紧密与 OpenJDK 社区保持合作，保持对社区工作的跟踪，及时同步上游更新；同时，Dragonwell 选择性的移植高版本 Java 的重要功能，这些移植功能已经在阿里内部被大规模部署，用户都可以免费使用，而不用等下一个 LTS 版本标准兼容 OpenJDK 的下游, 完全遵循 Java SE 标准，通过 JCK 兼容性测试性能卓越 Dragonwell 作为阿里巴巴 Java 应用的基石，支撑了阿里经济体内所有的 Java 业务，积累了大量业务场景下的实践和创新精心打造的功能 Alibaba Dragonwell

Beta 反(tu)思(cao) && 获小黄衫感言

阅读更多关于 Beta 反(tu)思(cao) && 获小黄衫感言

写在前面终于要结束了...我的心情就像走在沙漠中的人看到了一片绿洲一样，身体很疲惫，心情是自由自在~ 这是一篇总结反思的博客（为了附加分），顺便把早该写的获小黄衫感言一起发了。 Beta 反思做得好的地方相亲相爱一家人，团队成员没有出现过矛盾，有分歧都是通过沟通解决。很好的践行了敏捷开发。既没有只写代码也没有只做文档。如果有需要，没有人会逃避熬夜。从来没有因为别的组给我们的分数不符合预期而懊恼，只是觉得我们下次要做的更好。 ... 做得不好的地方工作流程不够符合软件工程的要求，没有注重软件工程这方面的修养。 Alpha 版本结束之后大家都懈怠了，没有了动力。这里面很大一部分是因为考试即将来临，还不是一两科，而是七八科。过于乐观，总是认为一切会按照我们预期那样的发展（比如每次展示之后的分数）。没有很完整的技术文档（看了畅畅的博客之后才知道原来叫工作手册），直到 Beta 版本才匆匆开始做。 ... 吐槽为了这门课熬的夜，已经完全改了我的生物钟，现在没有一两点是不可能入睡的了。这门课是一个无底洞，不论你投入多少时间都不能尽善尽美，也就是没有最好只有更好。就算你只想要达到平均水平，付出的时间也是难以想象的。这门课模拟了真实软件工程开发过程中一切你要付出的，然鹅就是没有模拟软件工程开发完成之后的收获（或许是成绩？）在柯老板的鼓励怼人的政策下

.NET Core ORM 类库Petapoco中对分页Page添加Order By对查询的影响

阅读更多关于 .NET Core ORM 类库Petapoco中对分页Page添加Order By对查询的影响

介绍 <p>最近一直在使用<a href="https://github.com/CollaboratingPlatypus/PetaPoco">Petapoco</a>+Entity Framework Core结合开发一套系统。</p> <p>使用EFCore进行Code First编码，使用<a href="https://mp.weixin.qq.com/s?__biz=MzI2MDQ3NDkxMA==&mid=2247483979&idx=1&sn=94f23048f2be219cbfcabdc07da6e951&chksm=ea68533add1fda2c0d0f300188e7b5a3f424d30b5608191e64d0f605c2f1306c7802188a17e8&token=569544938&lang=zh_CN#rd">PMC命令</a>生成数据库表的信息。</p> <p>使用Petapoco进行数据库的常规操作。并且结合<a href="https://github.com/asherber/PetaPoco.SqlKata">PetaPoco.SqlKata</a>的使用，减少了编写SQL语句的工作量，对提升开发效率有很大的帮助。Petapoco对数据库的支持非常的全，包括常规的一下数据库：SQL Server，SQL Server CE，MS

Java-JavaWeb-HTML

阅读更多关于 Java-JavaWeb-HTML

简介超文本标记语言 hypertext markup language 文件后缀：html或者htm，直接使用浏览器打开规范不区分大小写包含开始标签和结束标签，有些是单独存在的<br/><hr/> <html></html><head></head><body></body> 操作思想用标签将数据进行封装，通过修改标签的属性值对数据进行修饰常用标签文字标签 <font><font/> 属性： size:取值1-7 color：英文单词十六进制#66cc66 注释标签  标题标签 <h1><h1/><h2></h2>....<h6></h6> 大小依次变小自动换行水平线标签 <hr size="3" color="black"/> 属性 size:1-7，表示水平线的粗细 color 转义字符 < < > > 空格 & & 列表标签 <dl></dl> <dt></dt> 上层内容 <dd></dd> 下层内容有序列表 <ol></ol> 属性type,值:1 a i 用于设置序号的样式 <li></li> 无序列表 <ul></ul> 属性：type，值：circle disc square 用于设置标号的样式 <li></li> 图像标签 <img src="图片路径"/> 属性： width height alt

Paper Reading:Wide & Deep Learning for Recommender Systems

阅读更多关于 Paper Reading:Wide & Deep Learning for Recommender Systems

本篇是论文Wide & Deep Learning for Recommender Systems的阅读笔记，这是谷歌的一篇发表在2016的论文。 ABSTRACT 对于解决regression和classification问题，有两类方法，一种是wide的一种是deep的。wide，通常是linear model，输入特征很多，带有能够实现非线性的交叉特征（所以wide。）。deep，主要就是基于神经网络的模型啦。任何事情都有两面性，有利就有弊。wide的模型有什么好处呢？特征之间是如何相互作用的，是一目了然的，也就是可解释性好。缺点呢？特征工程很费劲，而且历史数据中没有的模式是学不到的。deep的模型有什么好处呢？更加general，可以学到一些没见过的特征组合（因为是基于对query和item做embedding的）。缺点呢？过分general了，可能会推荐出一些不相关的东西。这篇论文提出的模型，就是把wide的模型和deep的模型融合到一起，让两种模型相互制约，取两种模型的优点。如何融合？如何联合训练？为什么效果比单独的linear model或者deep model效果好。是这篇论文最值得研究的点。这篇论文还从工程的角度，描述了如何部署，这也是值得学习借鉴的。 INTRODUCTION 这个部分作者进一步解释了abstract中提到的几个点。 One

论文阅读

阅读更多关于论文阅读

本文为阅读论文 Wide & Deep Learning for Recommender Systems 时记下的笔记。背景推荐系统给出的结果需要兼顾相关性和新颖性。推荐的内容和用户特征很匹配，就会推荐大量相关内容，时间一久，用户感到无新鲜感。推荐内容过于泛化，用户的兴趣无法满足。本文提出的算法用于 Google Play 的 APP 推荐系统。线性模型线性模型中各类特征常采用 one-hot 向量表示，比如“国家”属性，可取的值有 200 多个，要表示“国家”就采用一个 200 多个维度的向量，每一个国家占一个维度。类似地，其他属性也这样表示。如此以来，对某个事物的向量表示，就是拼接各个属性对应的 one-hot 向量，整个向量表示是非常稀疏的。国家：[0 0 0 1 0 0 ...] 性别: [1 0] 用户安装过的 APP，可以有多个，采用 bag-of-word 表示，每个维度表示一个 APP 是否安装。 APP: [0 0 1 0 1 0 0 ...] 不同的特征之间可以进行组合，比如将国家和性别属性组合，可以表示如“中国男性”这样的组合属性。特征的组合能够给线性模型增加非线性的特征。但是也会极大地增大特征维度。线性模型的使用的特征向量具有维度高、稀疏的特点。线性模型的形式如下： $$ y = \mathbf{w}^T\mathbf{x} + b $$

Wide & Deep论文解读

阅读更多关于 Wide & Deep论文解读

Wide & Deep算法解决的问题在推荐系统中LR算法应用的非常广泛，但是LR是一种线性模型，没法学到特征交叉（高阶组合特征），为了解决这个问题，在实际中我们常常需要做特征工程提取高阶特征，一种常用的做法就是求特征的cross-product，如（“gender=female” and “language=en”）。但是在推荐系统中我们一般回对离散特征进行one-hot编码得到高维稀疏特征，也就是说许多特征组合在训练数据中可能从来没有出现过，模型没法学的这部分组合特征的权重。深度学习+embedding可以不依赖人工特征学到高阶特征，但是容易过度泛化。本文提出Wide & Deep模型，结合了LR和deep model的优点，旨在使得训练得到的模型能够同时获得记忆（memorization）和泛化（generalization）能力：记忆（memorization）即从历史数据中发现item或者特征之间的相关性。泛化（generalization）即相关性的传递，发现在历史数据中很少或者没有出现的新的特征组合。在推荐系统中，记忆体现的准确性，而泛化体现的是新颖性。 Wide & Deep模型结构模型表达式： wide模型输入：原始输入特征和交叉特征。 deep模型输入：原始输入特征来源： oschina 链接： https://my.oschina.net/u

promise源码分析

阅读更多关于 promise源码分析

源码取自：源码博客源码： (function (factory, global) { if (typeof module === 'object' && typeof module.export === 'object') { module.export = factory(global); } else if (typeof define === 'function' && (define.cmd || define.amd)) { factory(global); } else { factory(global); } })(function (global, undefined) { class Promise { constructor(executor) { //executor执行器 this.status = 'pending'; //默认状态:等待 this.value = undefined; //成功的值 this.reason = undefined //失败的值 this.callBacks = []; //暂存后续的执行 let resolve = (value) => { if (this.status === 'pending') { this.status = 'resolved'; //成功 this.value = value; this

mysql官网下载链接——绿色版&安装版

阅读更多关于 mysql官网下载链接——绿色版&安装版

windows64位5.5.60安装版 https://downloads.mysql.com/archives/get/file/mysql-5.5.60-winx64.msi windows64位5.5.60绿色版 https://downloads.mysql.com/archives/get/file/mysql-5.5.60-winx64.zip windows32位5.5.60安装版 https://downloads.mysql.com/archives/get/file/mysql-5.5.60-win32.msi https://dev.mysql.com/get/Downloads/MySQLInstaller/mysql-installer-community-5.5.60.1.msi windows32位5.5.60绿色版 https://downloads.mysql.com/archives/get/file/mysql-5.5.60-win32.zip windows64位5.7.22绿色版 https://downloads.mysql.com/archives/get/file/mysql-5.7.22-winx64.zip windows32位5.7.22绿色版 https://downloads.mysql.com/archives/get

Verilog实现SPI协议

阅读更多关于 Verilog实现SPI协议

关于SPI的教程有很多，这里写下自己学习SPI协议后的总结。什么是SPI？ SPI是Serial Peripheral Interface Bus的缩写，意为：串行外围接口。它是一种用于短距通信的同步串行通信接口标准，主要用于嵌入式系统。这个接口是 Motorola 在1980年末开发的，之后变成一种约定俗成的通信标准。SPI协议使用单个Master的主-从（Master-Slave）结构，以全双工的方式工作。主设备控制读写，多个从设备通过片选信号（SS）连接。 Interface SPI结构采用SPI协议通信的设备通常只需要四条线就可以完成数据的传输，因此，这种占用端口资源少的优点也被称为SPI协议的一个亮点。 SCLK：串行时钟，由Master输出，从机接受SCLK信号。它控制着数据传输的节拍，进而影响数据交换的快慢。 MOSI：（Master output Slave input）从字面意思就可以知道，这条线为主出从入，也就是主机的数据输出端口，从机的数据输入端口。（实际上，个人认为将MOSI拆为MO和SI理解更好） MISO：（Master input Slave output）主入从出，即主机输入，从机输出。 SS：（Slave Select）片选信号。只有该Slave上的SS信号有效时，该Slave才被选中。典型的主-从结构工作过程 SPI通信过程本质上来讲

订阅 Amp